Dark and Bright Channel Prior Embedded Network for Dynamic Scene Deblurring论文阅读

1. 论文的研究目标与实际意义

1.1 研究目标

论文旨在解决动态场景去模糊（Dynamic Scene Deblurring）问题，即从因相机抖动、物体运动等因素导致的模糊图像中恢复清晰图像。核心挑战在于：

“This inverse problem is severely ill-posed and requires extra information on latent image y to constrain the solution space.”
传统方法依赖人工设计先验（如稀疏梯度），但泛化能力有限；深度学习虽能端到端训练，但忽略领域知识（如物理先验），且多尺度信息利用不充分。

1.2 实际意义

• 产业应用：提升自动驾驶（清晰识别路标）、安防监控（运动目标细节还原）、手机摄影（防抖算法）等场景的图像质量。
• 技术瓶颈：动态模糊通常是非均匀的（spatially variant），传统优化方法计算耗时长，而纯数据驱动的CNN在训练数据不足时性能受限。

2. 创新方法：DBCPeNet的核心设计

2.1 整体架构

DBCPeNet的核心创新在于双先验嵌入层（DBCPeL）和双向多尺度策略（IFSE）：

• DBCPeL：将物理先验（暗/亮通道）嵌入CNN中间层，约束特征学习。
• IFSE：打破传统单向信息流，同时采用由粗到细（Coarse-to-Fine）和由细到粗（Fine-to-Coarse）路径，实现跨尺度信息融合。
  整体架构如图3所示，包含三尺度编解码器，每尺度含4个卷积层、1个DBCPeL和特征精化模块（16个RIRBlock）。

2.2 DBCPeL：先验知识与特征融合

2.2.1 暗亮通道先验定义

• 暗通道（Dark Channel Prior, DCP）：局部区域内RGB通道最小值，反映无雾图像的暗像素稀疏性：
  D ( I ) ( x ) = min ⁡ y ∈ Ω ( x ) ( min ⁡ c ∈ { r , g , b } I c ( y ) ) ( 2 ) \begin{align*} D(I)(x) &= \min_{y \in \Omega(x)} \left( \min_{c \in \{r,g,b\}} I^c(y) \right) \end{align*} \quad (2) D(I)(x)​=y∈Ω(x)min​(c∈{ r,g,b}min​Ic(y))​(2)
• 亮通道（Bright Channel Prior, BCP）：局部区域内RGB通道最大值，适用于高光区域：
  B ( I ) ( x ) = max ⁡ y ∈ Ω ( x ) ( max ⁡ c ∈ { r , g , b } I c ( y ) ) ( 2 ) \begin{align*} B(I)(x) &= \max_{y \in \Omega(x)} \left( \max_{c \in \{r,g,b\}} I^c(y) \right) \end{align*} \quad (2) B(I)(x)​=y∈Ω(x)max​(c∈{ r,g,b}max​Ic(y))​(2)

关键观察：模糊图像的暗通道更亮、亮通道更暗（图2），清晰图像的通道值更稀疏。

2.2.2 DBCPeL的数学形式

DBCPeL将输入特征图 $f^{l-1}$ 映射为三个分支：

1. 主路径特征： $f^l={\mathcal{M}}_{\theta }(f^{l-1})$
2. 暗通道约束特征： Λ = M [ α ∣ D ] ( f l − 1 ) \Lambda = \mathcal{M}_{[\alpha|D]}(f^{l-1}) Λ=M[α∣D]​(f